Principais erros e desafios da Transformação Digital no Agro

Capítulo 1


Não saber quais as perguntas mais valiosas que precisam ser respondidas

“If you do not know how to
ask the right question,
you discover nothing.”

W. Edwards Deming

Big data, analytics, ciência de dados, métodos probabilísticos. Será que estes conceitos e ferramentas entregam valor por si só? Será que um serrote, uma serra circular, uma serra tico-tico ou uma serra de fita, cortam por si só? É evidente que não. Mas e se pensássemos na hipótese que cada uma dessas ferramentas de corte fossem autônomas? Isso faria delas auto suficientes? Me parece incerto e complexo demais para saber.

No entanto, me parece claro e certo afirmar que se houvesse um marceneiro que soubesse que precisa serrar grandes tábuas de madeira de diferentes espessuras, o uso de uma serra de fita seria o apropriado.

A conclusão objetiva sobre a analogia de diversos tipos de ferramentas de corte, veio simplesmente quando adicionou-se ao contexto a informação de qual madeira se desejava cortar. Ou seja, o que precisa ser feito, precede o como precisa ser feito. Parece óbvio, mas em transformação digital isso é comum de acontecer. As empresas são abarrotadas de ofertas tecnológicas, mas será que precisamos de tudo isso? Em mercados mais consolidados digitalmente, como o financeiro ou varejo por exemplo, algumas tecnologias são de fato fundamentais e em certa medida pode se afirmar que serão úteis nas diversas empresas do mesmo segmento sem sequer conhecê-las a fundo. Já no agro a complexidade é muito maior.

A transformação digital no agro está extremamente ligada ao aumento da visão dos gestores sobre o seu negócio, especialmente sobre os aspectos de temporalidade e espacialidade. As dimensões das propriedades, os ambientes de solo, as divisões dos talhões, os ciclos de safras, os cultivares e variedades, as aplicações feitas, as operações de campo, as características meteorológicas, são apenas alguns exemplos de dados que precisam ser integrados prioritariamente num processo de transformação digital. Sem duplicações, retrabalho de inserções e em bancos de dados com suporte a bases espaciais. No entanto esses dados são só insumos. Os gestores precisam claramente definir quais as perguntas mais valiosas que precisam ser respondidas com estes insumos.

Definição das perguntas

Uma boa forma de elencar as principais perguntas é fazer uma análise SWOT do negócio, focar inicialmente nas fraquezas (W) e ameaças (T) e enumerar quais incertezas caracterizam as fraquezas e ameaças.

Vejamos o seguinte exemplo básico. Uma ameaça para um negócio hipotético de um grupo de produtores de soja é o clima. A partir dessa ameaça, poderíamos dizer que algumas das incertezas seriam:

  1. Incerteza sobre a previsão de pluviometria de 3 meses para meus talhões;
  2. Incerteza quanto a qual cultivar escolher para áreas reformadas, dados 3 cenários de clima;
  3. Incerteza de qual a melhor janela de colheita no pior e no melhor cenário de clima

Com as incertezas detalhadas, o próximo passo é determinar qual incerteza, se resolvida, traria maior valor agregado ao negócio. Em nossa hipótese, para o fim de ilustração, definiremos a terceira incerteza, sobre janela de colheita, como a mais importante de ser resolvida. Nesse ponto temos um foco de trabalho, por onde a transformação digital pode ser iniciada.

No contexto de nossa hipótese este é o momento de formular as perguntas de modo estruturado com a finalidade de diminuição da incerteza:

  • Qual o foco produtivo / financeiro afetado pela incerteza?
  • Quais dados de origem / de qual localidade / sob qual frequência de atualização ?
  • Quais modelos de redução de incerteza?
  • Quais informações de resultados?
  • Qual público consumidor destes resultados?
  • Qual frequência de atualização dos resultados?
  • Quais as interfaces de visualização dos resultados (Online vs. Offline)?
  • Os resultados ou dados de origem re-alimentarão os modelos?
  • Os resultados ou dados de origem terão utilidade em outros modelos?
  • Os resultados deverão estar disponíveis historicamente?

Vamos exemplificar algumas respostas:

  • Qual o foco produtivo / financeiro afetado pela incerteza?
    • Safra verão Soja no centro-oeste brasileiro
  • Quais dados de origem / de qual localidade / sob qual frequência de atualização?
    • Dados meteorológicos/diários na fazenda XYZ
    • Dados meteorológicos históricos na fazenda XYZ
    • Dados de cultivar plantados nas últimas 5 safras verão de soja na fazenda XYZ
    • Dados de ambiente de solo desde a última reforma na fazenda XYZ
  • Quais modelos de redução de incerteza?
    • Regressão Linear
    • Previsão climática quinzenal
  • Quais informações de resultados?
    • Sacas/Ha aferido das últimas 5 safras na fazenda XYZ, por talhão, cultivar, ambiente de solo e pluviometria
    • Sacas/Ha projetado para próxima safra verão na fazenda XYZ, por talhão, cultivar, ambiente de solo e pluviometria com 3 situações (ruim, média e boa).
    • Média, desvio padrão, mínimos e máximos de dias com chuva e veranicos nas últimas 5 safras na fazenda XYZ
  • Qual público consumidor destes resultados?
    • Diretor agrícola
    • Gerente de produção agrícola e sistematização
  • Qual frequência de atualização dos resultados?
    • Anualmente em julho
  • Quais as interfaces de visualização dos resultados (Online vs. Offline)?
    • ERP agrícola (online)
    • Tablet de campo (offline)
    • BI da empresa
  • Os resultados ou dados de origem re-alimentarão os modelos?
    • Sim.
  • Os resultados ou dados de origem terão utilidade em outros modelos?
    • Sim, no modelo de rentabilidade por talhão.
  • Os resultados deverão estar disponíveis historicamente?
    • Sim.

Em diversos casos, não será possível responder todas as perguntas sobre a incerteza escolhida, mas quando realizamos esse processo três ou quatro vezes, através da identificação de fraquezas e ameaças, o mapeamento das incertezas e a formulação das perguntas, a empresa passa a entender estrategicamente qual o núcleo de informações faltante ao negócio, como isso afeta a produtividade e qual a visão de futuro no caso da redução das incertezas.

Observação: Na recomendação de como fazer a definição de perguntas, sugerimos em focar inicialmente nas fraquezas (W) e ameaças (T) da análise SWOT, contudo o mesmo pode ser feito para as forças (S) e oportunidades (O). Acreditamos apenas, que iniciar pelas fraquezas e ameaças podem trazer resultados em prazos mais curtos.

Por que a transformação digital é necessária?

Lutar contra ineficiência é uma ação constante em qualquer empresa. Não faz sentido adotar uma metodologia ou tecnologia por modismo, muito menos quando se trata de uma transformação.

Ao definir as perguntas mais valiosas que precisam ser respondidas para o futuro de um negócio, entendemos se a forma que atualmente lidamos com nossas incertezas são ou não suficientes para a sobrevivência do empreendimento.

Voltemos ao exemplo anterior quando elencamos a incerteza de qual a melhor janela de colheita no pior e no melhor cenário de clima: Diante dessa incerteza, qual é a forma comum e histórica de se resolver ou conviver com esta incerteza (respostas hipotéticas)?

  • usar a experiência tácita dos engenheiros agrônomos
  • contratar previsões climáticas trimestrais por município

Agora precisamos nos perguntar: Estas formas comuns dão o detalhamento necessário na velocidade suficiente de análise e resposta, para que a empresa tenha vantagem ou esteja mais segura?

Em última instância são quatro os fatores de avaliação:

  1. Tempo;
  2. Resolução;
  3. Automação;
  4. Integração.

Se as formas comuns de diminuição de incerteza falham em um ou mais desses quesitos, uma transformação digital é necessária para que determinadas situações sejam medidas e analisadas em tempo hábil, com detalhamento e especificidade, recorrentemente e com os dados de origem e resultados compartilhados em todos os ambientes onde venham a ser necessários.

About Jose.Damico
Damico tem 23 anos de experiência em tecnologia e é especialista em transformação digital. Em sua primeira empresa desenvolveu tecnologias pioneiras para e-learning e dispositivos de segurança da informação. Durante esse mesmo período foi co-fundador de uma startup de e-procurement ativa até hoje. Posteriormente, iniciou suas atividades na IBM. Foi engenheiro de software, e se destacou com o desenvolvimento da plataforma DB2 para análise de grandes volumes de dados, ainda nesta época foi eleito para o Technology Leadership Council da IBM. Durante 8 anos desenvolveu projetos inovadores, fundou uma startup de sistemas de segurança embarcados em processadores no Vale do Silício, investida pelo Intel Capital. Nos últimos anos, atuou como CIO e P&D em empresas de tecnologia focadas no mercado financeiro do Brasil e Europa. Ele também tem uma forte presença na comunidade internacional de software livre. Na SciCrop, José coordena todos os desenvolvimentos tecnológicos, aplicando o conhecimento de suas pesquisas inovadoras em big data e IOT para a agricultura.

No Comments, Be The First!

Your email address will not be published.